CN111291462B - 生成电厂的管道和仪表图p&id的装置和方法 - Google Patents

生成电厂的管道和仪表图p&id的装置和方法 Download PDF

Info

Publication number
CN111291462B
CN111291462B CN201811489861.5A CN201811489861A CN111291462B CN 111291462 B CN111291462 B CN 111291462B CN 201811489861 A CN201811489861 A CN 201811489861A CN 111291462 B CN111291462 B CN 111291462B
Authority
CN
China
Prior art keywords
power plant
demand information
target
history
pipeline
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811489861.5A
Other languages
English (en)
Other versions
CN111291462A (zh
Inventor
李薇
厉海涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Energy Global GmbH and Co KG
Original Assignee
Siemens Energy Global GmbH and Co KG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Energy Global GmbH and Co KG filed Critical Siemens Energy Global GmbH and Co KG
Priority to CN201811489861.5A priority Critical patent/CN111291462B/zh
Priority to PCT/EP2019/083337 priority patent/WO2020114978A1/en
Publication of CN111291462A publication Critical patent/CN111291462A/zh
Application granted granted Critical
Publication of CN111291462B publication Critical patent/CN111291462B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/14—Pipes
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明提供了一种生成电厂的管道和仪表图P&ID的装置和方法。所述装置包括：需求输入单元，被构造为输入目标电厂项目的目标需求信息；管道和仪表图P&ID生成单元，被构造为根据目标需求信息，利用管道和仪表图P&ID生成系统生成目标管道和仪表图P&ID，其中，管道和仪表图P&ID生成系统是通过以历史管道和仪表图P&ID、与历史管道和仪表图P&ID对应的历史制图机制、以及与历史管道和仪表图P&ID对应的历史电厂特性中的至少一种作为训练数据，利用深度学习算法训练得到的。

Description

生成电厂的管道和仪表图P＆ID的装置和方法
技术领域
本发明涉及一种生成电厂的管道和仪表图P&ID的装置和方法。
背景技术
当进行电厂设计时，工程师根据电厂项目的特定需求、边界条件、本地标准和政策要求等为电厂的各个系统生成管道和仪表图(P&ID，piping and instrument diagram)。不同的电厂设计项目具有不同的要求，虽然他们的区别不是很大，但是相似的电厂项目之间仍然存在着或多或少的区别。因此，工程师需要根据电厂项目的需求，基于标准或P&ID模板进行修改，以进行项目设计。
当前，电厂设计工程师可以使用诸如AutoCAD的CAD工具来创建仪表符号和管道关系，或者可以使用诸如COMOS的P&ID模版和配置器来自动地创建。但是这样的方法需要分析模版并创建合适的配置器及海量的模版。
发明内容
本发明旨在提供一种解决上述和/或其他的问题并提供一种生成电厂的管道和仪表图P&ID的装置和方法。
在一个示例性实施例中，生成电厂的管道和仪表图P&ID的装置包括：需求输入单元，被构造为输入目标电厂项目的目标需求信息；管道和仪表图P&ID生成单元，被构造为根据目标需求信息，利用管道和仪表图P&ID生成系统(R&ID creation system)生成目标管道和仪表图P&ID，其中，管道和仪表图P&ID生成系统是通过以历史管道和仪表图P&ID、与历史管道和仪表图P&ID对应的历史制图机制(P&ID mechanism)、以及与历史管道和仪表图P&ID对应的历史电厂特性(persona)中的至少一种作为训练数据，利用深度学习算法训练得到的。例如，所述深度学习算法包括深度信念网络(DBN，Deep Belief Network)。
管道和仪表图P&ID生成单元包括：制图机制生成单元，被构造为根据历史管道和仪表图P&ID，利用制图机制生成系统生成与历史管道和仪表图P&ID对应的历史制图机制，其中，制图机制生成系统是通过以历史管道和仪表图P&ID、根据预定标准的管道和仪表图P&ID模板、以及根据预定标准的管道和仪表图P&ID图例中的至少一种作为训练数据，利用图像识别算法(CNN)得到的。例如，所述图像识别算法包括卷积神经网络(CNN，Convolutional Neural Network)。
管道和仪表图P&ID生成单元包括：电厂特性(persona)生成单元，被构造为根据与历史管道和仪表图P&ID对应的历史电厂项目的历史需求信息，利用电厂特性生成系统生成与历史管道和仪表图P&ID对应的历史电厂特性，其中，电厂特性生成系统是通过以历史电厂项目的历史需求信息和与该历史电厂项目的历史管道和仪表图P&ID对应的历史电厂特性中的至少一种作为训练数据，利用监督学习算法得到的。例如，所述监督学习算法包括高斯混合模型(GMM，Gaussian Mixture Model)。
这里，与电厂特性(persona)包括电厂系统需求信息、电厂过程需求信息、电厂主组件需求信息、电厂仪表需求信息、电厂设备需求信息、电厂方案选择需求信息、电厂制图图例需求信息中的至少一种。
需求信息包括电网需求信息、电厂性能需求信息、政策法规需求信息、标准需求信息、环境需求信息、电厂特点需求信息中的至少一种。
所述装置还包括：标识单元，被构造为利用KKS电厂标识系统对生成的目标管道和仪表图P&ID进行标识，以得到经标识的目标管道和仪表图P&ID。
因此，管道和仪表图P&ID生成单元可以根据目标需求信息，利用电厂特性(persona)生成单元生成与目标管道和仪表图P&ID对应的目标电厂特性，并然后根据目标电厂特性，利用制图机制生成单元生成目标管道和仪表图P&ID。
此外，示例性实施例还提供了一种生成电厂的管道和仪表图P&ID的方法，其特征在于，所述方法包括：输入目标电厂项目的目标需求信息；根据目标需求信息，利用管道和仪表图P&ID生成系统生成目标管道和仪表图P&ID，其中，管道和仪表图P&ID生成系统是通过以历史管道和仪表图P&ID、与历史管道和仪表图P&ID对应的历史制图机制(P&IDmechanism)、以及与历史管道和仪表图P&ID对应的历史电厂特性(persona)中的至少一种作为训练数据，利用深度学习算法训练得到的。例如，所述深度学习算法包括深度信念网络(DBN，Deep Belief Network)。
所述方法还包括：根据历史管道和仪表图P&ID，利用制图机制生成系统生成与历史管道和仪表图P&ID对应的历史制图机制，其中，制图机制生成系统是通过以历史管道和仪表图P&ID、根据预定标准的管道和仪表图P&ID模板、以及根据预定标准的管道和仪表图P&ID图例中的至少一种作为训练数据，利用图像识别算法得到的。例如，所述图像识别算法包括卷积神经网络(CNN，Convolutional Neural Network)。
所述方法还包括：根据与历史管道和仪表图P&ID对应的历史电厂项目的历史需求信息，利用电厂特性生成系统生成与历史管道和仪表图P&ID对应的历史电厂特性，其中，电厂特性生成系统是通过以历史电厂项目的历史需求信息和与该历史电厂项目的历史管道和仪表图P&ID对应的历史电厂特性中的至少一种作为训练数据，利用监督学习算法得到的。例如，所述监督学习算法包括高斯混合模型(GMM，Gaussian Mixture Model)。
这里，电厂特性(persona)包括电厂系统需求信息、电厂过程需求信息、电厂主组件需求信息、电厂仪表需求信息、电厂设备需求信息、电厂方案选择需求信息、电厂制图图例需求信息中的至少一种。需求信息包括电网需求信息、电厂性能需求信息、政策法规需求信息、标准需求信息、环境需求信息、电厂特点需求信息中的至少一种。
所述方法还包括：利用KKS电厂标识系统对生成的目标管道和仪表图P&ID进行标识，以得到经标识的目标管道和仪表图P&ID。
因此，生成目标管道和仪表图P&ID的步骤包括：根据目标需求信息，利用电厂特性生成系统生成与目标管道和仪表图P&ID对应的目标电厂特性，并然后根据目标电厂特性，利用管道和仪表图P&ID生成系统(R&ID creation system)生成目标管道和仪表图P&ID。
此外，示例性实施例还提供了一种电子设备，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器结合的存储器，所述存储器具有存储于其中的指令，所述指令在被所述至少一个处理器执行时使所述电子设备执行如上所述的方法。
此外，示例性实施例还提供了一种非暂时性机器可读介质，所述非暂时性机器可读介质存储有计算机可执行指令，所述计算机可执行指令在被执行时使至少一个处理器执行如上所述的方法。
此外，示例性实施例还提供了一种计算机程序，包括计算机可执行指令，所述计算机可执行指令在被执行时使至少一个处理器执行如上所述的方法。
如上所述，根据示例性实施例的装置能够利用经训练的人工智能算法或系统自动地根据目标电厂的需求信息来得到管道和仪表图P&ID。工程师可以根据得到的管道和仪表图P&ID进行进一步的修改调整以得到最终的结果；或者，工程师可以直接将得到的管道和仪表图P&ID作为电厂项目的结果。如此，可以节约用于管道和仪表图P&ID设计的时间和工作量。
附图说明
以下附图仅旨在于对本发明做示意性说明和解释，并不限定本发明的范围。其中，
图1是示出根据示例性实施例的生成电厂的管道和仪表图P&ID的装置的示意性框图；
图2是示出根据示例性实施例的制图机制生成系统的示意性框图；
图3是示出根据示例性实施例的电厂特性(persona)生成系统的示意性框图；
图4是示出根据示例性实施例的管道和仪表图P&ID生成系统的示意性框图。
附图标记说明：
100需求输入单元
300管道和仪表图P&ID生成单元
500标识单元
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式。
图1是示出根据示例性实施例的生成电厂的管道和仪表图P&ID的装置的示意性框图。如图1中所示，根据示例性实施例的装置包括需求输入单元100和管道和仪表图P&ID生成单元300。
需求输入单元100可以输入或获取目标电厂项目的目标需求信息。例如，当进行目标电厂的P&ID设计时，可以手动地通过需求输入单元100输入目标电厂项目的需求信息。如此，需求输入单元100可以包括例如图形用户界面，以便进行需求信息的输入。此外，需求输入单元100可以根据目标电厂项目的例如项目计划书或其他项目准备文件自动地获取目标需求信息。然而，示例性实施例不限于此，在其他的示例性实施例中，所有用于对管道和仪表图P&ID生成单元300所应用的算法(系统)的训练所需的数据也可以通过需求输入单元100输入或获得。
通过需求输入单元100输入或获得目标电厂项目的目标需求时，管道和仪表图P&ID生成单元300可以根据目标需求信息利用管道和仪表图P&ID生成系统(R&ID creationsystem)301(参照图4)来生成目标管道和仪表图P&ID。这里，管道和仪表图P&ID生成系统301可以是经训练的人工智能算法。因此，管道和仪表图P&ID生成单元300可以是具有计算能力的装置或单元，从而可以执行这样的算法。下面，将具体描述管道和仪表图P&ID生成系统301及其训练方式。
在一个示例性实施例中，管道和仪表图P&ID生成系统301可以通过以后的或历史的电厂项目的相关信息来进行训练得到的。例如，可以通过以为历史电厂项目设计的历史管道和仪表图P&ID、与历史管道和仪表图P&ID对应的历史制图机制(P&ID mechanism)、以及与历史管道和仪表图P&ID对应的历史电厂特性(persona)中的至少一种作为训练数据，利用深度学习算法训练得到的。这里的深度学习算法可以为深度信念网络(DBN，DeepBelief Network)或其他适当的深度学习算法。
在这个示例性实施例中，进行训练的数据中的历史电厂项目设计的历史管道和仪表图P&ID可以是已知的，例如，可以是曾经在历史上完成过的电厂项目的管道和仪表图P&ID。历史制图机制(P&ID mechanism)可以是与历史管道和仪表图P&ID对应的历史制图机制。
历史制图机制可以手动或自动地根据历史管道和仪表图P&ID得到。例如，管道和仪表图P&ID生成单元300可以包括制图机制生成单元310。制图机制生成单元310可以根据管道和仪表图P&ID，利用制图机制生成系统311生成与管道和仪表图P&ID对应的制图机制。这里，制图机制生成系统311可以是经训练的人工智能算法。因此，制图机制生成单元310可以是具有计算能力的装置或单元，从而可以执行这样的算法。例如，制图机制生成单元310可以与管道和仪表图P&ID生成单元300实现为同一个装置或单元，或者可以是分开的装置和单元，以分别执行它们的算法/系统。下面，将参照图2来描述制图机制生成系统及其训练方式。
图2是示出根据示例性实施例的制图机制生成系统的示意性框图。如图2中所示，可以以历史管道和仪表图P&ID、根据预定标准的管道和仪表图P&ID模板、以及根据预定标准的管道和仪表图P&ID图例中的至少一种作为训练数据，输入到选择的图像识别算法,来得到制图机制生成系统311。在一个示例性实施例中，可以使用卷积神经网络(CNN，Convolutional Neural Network)作为图像识别算法来进行训练，从而得到制图机制生成系统311。
因此，制图机制生成单元310可以运行训练得到的制图机制生成系统311，根据输入的管道和仪表图P&ID来得到与管道和仪表图P&ID对应的制图机制。例如，当输入为历史管道和仪表图P&ID，制图机制生成单元310可以生成与历史管道和仪表图P&ID对应的历史制图机制。这样的历史制图机制可以被进一步用于管道和仪表图P&ID生成系统301的训练。这里，制图机制可以是用于绘制管道和仪表图P&ID所采用的符号所代表的含义、以及符号和符号之间的连接所代表的含义等。
用于进行训练的历史电厂特性(persona)可以为与历史电厂项目对应的历史管道和仪表图P&ID中包括的或用于绘制历史管道和仪表图P&ID所采用的电厂的特性信息，例如，电厂系统需求信息、电厂过程需求信息、电厂主组件需求信息、电厂仪表需求信息、电厂设备需求信息、电厂方案选择需求信息、电厂制图图例需求信息等中的一种或多种。例如，电厂系统需求信息可以包括给水系统、凝结水系统、主蒸汽系统等的需求信息，电厂主组件需求信息可以包括燃气轮机、蒸汽轮机、发电机等的需求信息，电厂方案选择需求信息可以包括单轴/一拖一、多轴、二拖一等的与布局相关的需求信息。历史电厂特性信息可以是工程师根据历史电厂项目的要求所得到的电厂特性信息。这里，电厂项目的需求信息可以包括电网需求信息、电厂性能需求信息、政策法规需求信息、标准需求信息、环境需求信息、电厂特点需求信息中的一种或多种。例如，电厂性能需求信息可以例如为在ISO工况下联合循环效率能达到50％，每台机组需能达到300MW热负荷，热电比达到60％等；环境需求信息可以例如为氮氧化物排放(以NO2计)<20mg/m3，二氧化硫排放<35mg/m3等，电厂特点需求信息可以例如为余热锅炉需要加罩壳等。
历史电厂特性(persona)可以手动地得到或自动地根据历史电厂项目的历史需求信息得到。例如，管道和仪表图P&ID生成单元300可以包括电厂特性(persona)生成单元330。电厂特性生成单元330可以自动地根据与历史管道和仪表图P&ID对应的历史电厂项目的历史需求信息，利用电厂特性生成系统331来生成与历史管道和仪表图P&ID对应的历史电厂特性。这里，电厂特性生成系统331可以是经训练的人工智能算法。因此，电厂特性(persona)生成单元330可以是具有计算能力的装置或单元，从而可以执行这样的算法。例如，电厂特性(persona)生成单元330可以与管道和仪表图P&ID生成单元300实现为同一个装置或单元，或者可以是分开的装置和单元，以分别执行它们的算法/系统。下面，将参照图3来描述制图机制生成系统及其训练方式。
图3是示出根据示例性实施例的电厂特性(persona)生成系统的示意性框图。如图3中所示，可以以历史电厂项目的历史需求信息和与该历史电厂项目的历史管道和仪表图P&ID对应的历史电厂特性中的至少一种作为训练数据，输入到选择的监督学习算法，来得到电厂特性生成系统331。在一个示例性实施例中，可以使用高斯混合模型(GMM，GaussianMixture Model)作为图像识别算法来进行训练，从而得到电厂特性生成系统331。
因此，电厂特性(persona)生成单元330可以运行训练得到的电厂特性生成系统331，根据输入的历史或目标电厂项目的需求信息，来得到与历史或目标电厂项目的需求信息对应的历史或当前电厂特性。
图4是示出根据示例性实施例的管道和仪表图P&ID生成系统的示意性框图。如图4中所示，管道和仪表图P&ID生成系统可以是通过以历史管道和仪表图P&ID、与历史管道和仪表图P&ID对应的历史制图机制(P&ID mechanism)、以及与历史管道和仪表图P&ID对应的历史电厂特性(persona)中的至少一种作为训练数据，利用深度学习算法DBN训练得到的。具体地讲，制图机制生成单元310可以根据历史管道和仪表图P&ID，利用制图机制生成系统生成历史制图机制，并将生成的历史制图机作为输入提供到深度学习算法DBN作为训练数据。此外，电厂特性生成单元330可以根据与该历史管道和仪表图P&ID对应的历史电厂项目的历史需求信息得到与该历史电厂项目对应的历史电厂特性信息，并将生成的历史电厂特性信息提供到深度学习算法DBN作为训练数据。因此，可以利用这样的输入数据利用深度学习算法DBN进行训练，以最终得到管道和仪表图P&ID生成系统301。经训练得到的管道和仪表图P&ID生成系统301可以以目标电厂项目的目标需求为输入，来得到期望的目标电厂的管道和仪表图P&ID。
然而，示例性实施例不限于此。例如，在其他的示例性实施例中，所述装置还可以包括标识单元500，如图1中所示。标识单元500可以对生成的目标管道和仪表图P&ID进行标识，以得到经标识的目标管道和仪表图P&ID。例如，标识单元500可以利用KKS(Kraftwerk-Kennzeichensystem)作为其进行标识所采用的系统，从而可以得到具有KKS标识的管道和仪表图P&ID。
如上所述，根据示例性实施例的装置能够利用经训练的人工智能算法或系统自动地根据目标电厂的需求信息来得到管道和仪表图P&ID。工程师可以根据得到的管道和仪表图P&ID进行进一步的修改调整以得到最终的结果；或者，工程师可以直接将得到的管道和仪表图P&ID作为电厂项目的结果。如此，可以节约用于管道和仪表图P&ID设计的时间和工作量。
此外，根据示例性实施例，还提供了一种生成电厂的管道和仪表图P&ID的方法。该方法可以由上面参照图1至图4描述的装置来执行。因此，将省略相同或相似特征的重复性描述。
首先，可以输入目标电厂项目的目标需求信息(initial requirement)。然后，可以根据目标需求信息，利用管道和仪表图P&ID生成系统(R&ID creation system)生成目标管道和仪表图P&ID。这里，管道和仪表图P&ID生成系统是通过以历史管道和仪表图P&ID、与历史管道和仪表图P&ID对应的历史制图机制(P&ID mechanism)、以及与历史管道和仪表图P&ID对应的历史电厂特性(persona)中的至少一种作为训练数据，利用深度学习算法训练得到的。例如，深度学习算法可以包括深度信念网络(DBN，Deep Belief Network)。
为了得到制图机制，所述方法可以根据历史管道和仪表图P&ID，利用制图机制生成系统生成与历史管道和仪表图P&ID对应的历史制图机制。这里，制图机制生成系统是通过以历史管道和仪表图P&ID、根据预定标准的管道和仪表图P&ID模板、以及根据预定标准的管道和仪表图P&ID图例中的至少一种作为训练数据，利用图像识别算法得到的。例如，图像识别算法可以包括卷积神经网络(CNN，Convolutional Neural Network)。
为了得到电厂特性，可以根据与历史管道和仪表图P&ID对应的历史电厂项目的历史需求信息，利用电厂特性生成系统生成与历史管道和仪表图P&ID对应的历史电厂特性。这里，电厂特性生成系统是通过以历史电厂项目的历史需求信息和与该历史电厂项目的历史管道和仪表图P&ID对应的历史电厂特性中的至少一种作为训练数据，利用监督学习算法得到的。例如，所述监督学习算法包括高斯混合模型(GMM，Gaussian Mixture Model)。
这里，电厂特性(persona)包括电厂系统需求信息、电厂过程需求信息、电厂主组件需求信息、电厂仪表需求信息、电厂设备需求信息、电厂方案选择需求信息、电厂制图图例需求信息中的至少一种。需求信息可以包括电网需求信息、电厂性能需求信息、政策法规需求信息、标准需求信息、环境需求信息、电厂特点需求信息中的至少一种。
当生成目标管道和仪表图P&ID时，可以根据目标需求信息，利用电厂特性生成系统生成与目标管道和仪表图P&ID对应的目标电厂特性，并然后根据目标电厂特性，利用管道和仪表图P&ID生成系统(R&ID creation system)生成目标管道和仪表图P&ID。当得到了管道和仪表图P&ID之后，还可以利用例如KKS电厂标识系统对生成的目标管道和仪表图P&ID进行标识，以得到经标识的目标管道和仪表图P&ID。
以上参照图1到图4对根据本申请的生成电厂的管道和仪表图P&ID的装置和方法。以上所述的用于确定源代码中存在依赖违规的装置可以采用硬件实现，也可以采用软件或者硬件和软件的组合来实现。
在本申请中，用于生成电厂的管道和仪表图P&ID的装置可以利用电子设备实现。根据一个实施例，电子设备可以包括至少一个处理器，处理器执行在计算机可读存储介质(即，存储器)中存储或编码的至少一个计算机可读指令(即，上述以软件形式实现的元素)。
在一个实施例中，在存储器中存储计算机可执行指令，其当执行时使得至少一个处理器执行上面所述的生成电厂的管道和仪表图P&ID的方法。
应该理解，在存储器中存储的计算机可执行指令当执行时使得至少一个处理器进行本发明的各个实施例中结合图1-图4描述的以上各种操作和功能。
根据一个实施例，提供了一种比如非暂时性机器可读介质的程序产品。非暂时性机器可读介质可以具有指令(即，上述以软件形式实现的元素)，该指令当被机器执行时，使得机器执行本申请的各个实施例中以上结合图1-图4描述的各种操作和功能。
根据一个实施例，提供了一种计算机程序，包括计算机可执行指令，所述计算机可执行指令在被执行时使至少一个处理器执行本申请的各个实施例中以上结合图1-4描述的各种操作和功能。
应当理解，虽然本说明书是按照各个实施例描述的，但并非每个实施例仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
以上所述仅为本发明示意性的具体实施方式，并非用以限定本发明的范围。任何本领域的技术人员，在不脱离本发明的构思和原则的前提下所作的等同变化、修改与结合，均应属于本发明保护的范围。

Claims (19)

1.生成电厂的管道和仪表图P&ID的装置，其特征在于，所述装置包括：
需求输入单元(100)，被构造为输入目标电厂项目的目标需求信息；
管道和仪表图P&ID生成单元(300)，被构造为根据目标需求信息，利用管道和仪表图P&ID生成系统生成目标管道和仪表图P&ID，
其中，管道和仪表图P&ID生成系统是通过以历史管道和仪表图P&ID、与历史管道和仪表图P&ID对应的历史制图机制、以及与历史管道和仪表图P&ID对应的历史电厂特性中的至少一种作为训练数据，利用深度学习算法训练得到的，
其中，所述管道和仪表图P&ID生成单元(300)包括：
制图机制生成单元(310)，被构造为根据历史管道和仪表图P&ID，利用制图机制生成系统生成与历史管道和仪表图P&ID对应的历史制图机制，
其中，制图机制生成系统是通过以历史管道和仪表图P&ID、根据预定标准的管道和仪表图P&ID模板、以及根据预定标准的管道和仪表图P&ID图例中的至少一种作为训练数据，利用图像识别算法得到的。
2.如权利要求1所述的装置，其特征在于，所述深度学习算法包括深度信念网络。
3.如权利要求1所述的装置，其特征在于，所述图像识别算法包括卷积神经网络。
4.如权利要求1所述的装置，其特征在于，管道和仪表图P&ID生成单元(300)包括：
电厂特性生成单元(330)，被构造为根据与历史管道和仪表图P&ID对应的历史电厂项目的历史需求信息，利用电厂特性生成系统生成与历史管道和仪表图P&ID对应的历史电厂特性，
其中，电厂特性生成系统是通过以历史电厂项目的历史需求信息和与该历史电厂项目的历史管道和仪表图P&ID对应的历史电厂特性中的至少一种作为训练数据，利用监督学习算法得到的。
5.如权利要求4所述的装置，其特征在于，所述监督学习算法包括高斯混合模型。
6.如权利要求4所述的装置，其特征在于，电厂特性包括电厂系统需求信息、电厂过程需求信息、电厂主组件需求信息、电厂仪表需求信息、电厂设备需求信息、电厂方案选择需求信息、电厂制图图例需求信息中的至少一种。
7.如权利要求4所述的装置，其特征在于，需求信息包括电网需求信息、电厂性能需求信息、政策法规需求信息、标准需求信息、环境需求信息、电厂特点需求信息中的至少一种。
8.如权利要求1所述的装置，其特征在于，所述装置还包括：
标识单元(500)，被构造为利用KKS电厂标识系统对生成的目标管道和仪表图P&ID进行标识，以得到经标识的目标管道和仪表图P&ID。
9.如权利要求4所述的装置，其特征在于，管道和仪表图P&ID生成单元(300)被构造为根据目标需求信息，利用电厂特性生成单元(330)生成与目标管道和仪表图P&ID对应的目标电厂特性，并然后根据目标电厂特性，利用制图机制生成单元(310)生成目标管道和仪表图P&ID。
10.生成电厂的管道和仪表图P&ID的方法，其特征在于，所述方法包括：
输入目标电厂项目的目标需求信息；
根据目标需求信息，利用管道和仪表图P&ID生成系统生成目标管道和仪表图P&ID，
其中，管道和仪表图P&ID生成系统是通过以历史管道和仪表图P&ID、与历史管道和仪表图P&ID对应的历史制图机制、以及与历史管道和仪表图P&ID对应的历史电厂特性中的至少一种作为训练数据，利用深度学习算法训练得到的，
其中，所述方法还包括：
根据历史管道和仪表图P&ID，利用制图机制生成系统生成与历史管道和仪表图P&ID对应的历史制图机制，
其中，制图机制生成系统是通过以历史管道和仪表图P&ID、根据预定标准的管道和仪表图P&ID模板、以及根据预定标准的管道和仪表图P&ID图例中的至少一种作为训练数据，利用图像识别算法得到的。
11.如权利要求10所述的方法，其特征在于，所述深度学习算法包括深度信念网络。
12.如权利要求10所述的方法，其特征在于，所述图像识别算法包括卷积神经网络。
13.如权利要求10所述的方法，其特征在于，所述方法还包括：
根据与历史管道和仪表图P&ID对应的历史电厂项目的历史需求信息，利用电厂特性生成系统生成与历史管道和仪表图P&ID对应的历史电厂特性，
其中，电厂特性生成系统是通过以历史电厂项目的历史需求信息和与该历史电厂项目的历史管道和仪表图P&ID对应的历史电厂特性中的至少一种作为训练数据，利用监督学习算法得到的。
14.如权利要求13所述的方法，其特征在于，所述监督学习算法包括高斯混合模型。
15.如权利要求13所述的方法，其特征在于，
电厂特性包括电厂系统需求信息、电厂过程需求信息、电厂主组件需求信息、电厂仪表需求信息、电厂设备需求信息、电厂方案选择需求信息、电厂制图图例需求信息中的至少一种，
需求信息包括电网需求信息、电厂性能需求信息、政策法规需求信息、标准需求信息、环境需求信息、电厂特点需求信息中的至少一种。
16.如权利要求10所述的方法，其特征在于，所述方法还包括：
利用KKS电厂标识系统对生成的目标管道和仪表图P&ID进行标识，以得到经标识的目标管道和仪表图P&ID。
17.如权利要求13所述的方法，其特征在于，生成目标管道和仪表图P&ID的步骤包括：
根据目标需求信息，利用电厂特性生成系统生成与目标管道和仪表图P&ID对应的目标电厂特性，并然后根据目标电厂特性，利用管道和仪表图P&ID生成系统生成目标管道和仪表图P&ID。
18.电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器结合的存储器，所述存储器具有存储于其中的指令，所述指令在被所述至少一个处理器执行时使所述电子设备执行如权利要求10到17中任一所述的方法。
19.非暂时性机器可读介质，其特征在于，所述非暂时性机器可读介质存储有计算机可执行指令，所述计算机可执行指令在被执行时使至少一个处理器执行根据权利要求10至17中任一项所述的方法。
CN201811489861.5A 2018-12-06 2018-12-06 生成电厂的管道和仪表图p&id的装置和方法 Active CN111291462B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811489861.5A CN111291462B (zh) 2018-12-06 2018-12-06 生成电厂的管道和仪表图p&id的装置和方法
PCT/EP2019/083337 WO2020114978A1 (en) 2018-12-06 2019-12-02 Device and method for creating piping and instrument diagram (p&id) for power plant

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811489861.5A CN111291462B (zh) 2018-12-06 2018-12-06 生成电厂的管道和仪表图p&id的装置和方法

Publications (2)

Publication Number Publication Date
CN111291462A CN111291462A (zh) 2020-06-16
CN111291462B true CN111291462B (zh) 2023-08-08

Family

ID=68762754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811489861.5A Active CN111291462B (zh) 2018-12-06 2018-12-06 生成电厂的管道和仪表图p&id的装置和方法

Country Status (2)

Country Link
CN (1) CN111291462B (zh)
WO (1) WO2020114978A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114626117B (zh) * 2020-12-14 2023-11-24 水利部水利水电规划设计总院 用于长距离输水工程的水利工程信息模型的编码方法
CN112926269B (zh) * 2021-03-15 2022-12-09 上海交通大学 电厂边缘节点数据分组与清洗的方法及系统
CN113343643B (zh) * 2021-08-09 2021-11-02 浙江浙能技术研究院有限公司 一种基于有监督的多模型编码映射推荐方法
CN113343642B (zh) * 2021-08-09 2021-11-02 浙江浙能技术研究院有限公司 基于有监督序列生成网络的集团级kks编码自动映射方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003143759A (ja) * 2001-10-31 2003-05-16 Toshiba Corp 発電所の管理システムおよび管理方法
CN102171678A (zh) * 2008-10-15 2011-08-31 丹尼尔度量和控制公司 计算和标绘统计数据
CN102356370A (zh) * 2008-02-25 2012-02-15 因文西斯系统公司 用于从基于模式的中间描述来生成控制系统数据库和图形的系统和方法
CN104412247A (zh) * 2012-07-24 2015-03-11 通用电气公司 用于改进控制系统可靠性的系统和方法
CN106909931A (zh) * 2015-12-23 2017-06-30 阿里巴巴集团控股有限公司 一种用于机器学习模型的特征生成方法、装置和电子设备
CN107766457A (zh) * 2017-09-27 2018-03-06 华能国际电力股份有限公司上海石洞口第二电厂 一种火电厂运营管理系统及其任务执行方法
CN108595757A (zh) * 2018-03-21 2018-09-28 新智数字科技有限公司 能源设备建模、能源站调度方法、装置以及设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030074244A1 (en) * 2001-04-11 2003-04-17 Braxton Charles R. Distributed energy technology assurance
US20030009401A1 (en) * 2001-04-27 2003-01-09 Enerwise Global Technologies, Inc. Computerized utility cost estimation method and system
WO2012161804A1 (en) * 2011-02-24 2012-11-29 Clean Urban Energy, Inc. Integration of commercial building operations with electric system operations and markets
US20160004794A1 (en) * 2014-07-02 2016-01-07 General Electric Company System and method using generative model to supplement incomplete industrial plant information
US10387793B2 (en) * 2014-11-25 2019-08-20 International Business Machines Corporation Automatic generation of training cases and answer key from historical corpus
EP3029535A3 (en) * 2014-12-03 2016-07-13 Rockwell Automation Technologies, Inc. P&ID and control system synchronization

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003143759A (ja) * 2001-10-31 2003-05-16 Toshiba Corp 発電所の管理システムおよび管理方法
CN102356370A (zh) * 2008-02-25 2012-02-15 因文西斯系统公司 用于从基于模式的中间描述来生成控制系统数据库和图形的系统和方法
CN102171678A (zh) * 2008-10-15 2011-08-31 丹尼尔度量和控制公司 计算和标绘统计数据
CN104412247A (zh) * 2012-07-24 2015-03-11 通用电气公司 用于改进控制系统可靠性的系统和方法
CN106909931A (zh) * 2015-12-23 2017-06-30 阿里巴巴集团控股有限公司 一种用于机器学习模型的特征生成方法、装置和电子设备
CN107766457A (zh) * 2017-09-27 2018-03-06 华能国际电力股份有限公司上海石洞口第二电厂 一种火电厂运营管理系统及其任务执行方法
CN108595757A (zh) * 2018-03-21 2018-09-28 新智数字科技有限公司 能源设备建模、能源站调度方法、装置以及设备

Also Published As

Publication number Publication date
CN111291462A (zh) 2020-06-16
WO2020114978A1 (en) 2020-06-11

Similar Documents

Publication Publication Date Title
CN111291462B (zh) 生成电厂的管道和仪表图p&amp;id的装置和方法
Tornil-Sin et al. Robust fault diagnosis of nonlinear systems using interval constraint satisfaction and analytical redundancy relations
Konstantelos et al. Using vine copulas to generate representative system states for machine learning
CN103942147A (zh) 一种线性拟合函数驱动的测试数据自动生成方法
Mahaei et al. Power system state estimation with weighted linear least square
Luo et al. Graph convolutional network-based interpretable machine learning scheme in smart grids
US20190310618A1 (en) System and software for unifying model-based and data-driven fault detection and isolation
Hiremath et al. Towards automated metamorphic test identification for ocean system models
CN117370568A (zh) 一种基于预训练语言模型的电网主设备知识图谱补全方法
KR102054500B1 (ko) 설계 도면 제공 방법
CN108920939B (zh) 基于学习诊断器的信息安全判别方法、系统及相关装置
Pratap et al. Estimation of software maintainability using fuzzy logic technique
Cilliers et al. Adapting plant measurement data to improve hardware fault detection performance in pressurised water reactors
Pereira et al. Goal recognition in incomplete domain models
KR102236625B1 (ko) 심볼 기반 엔지니어링 도면의 설계 정보를 인식하기 위한 딥러닝용 학습데이터 생성 장치 및 방법
CN107102543A (zh) 一种能量路由器抗干扰控制器的形成方法及装置
Kohler et al. Cellular probabilistic automata---A novel method for uncertainty propagation
CN108090396A (zh) 一种指纹匹配方法和装置
Ning et al. Data-driven ambiguous joint chance constrained economic dispatch with correlated wind power uncertainty
CN111079766A (zh) 一种p&amp;id图的智能化方法
US10191938B2 (en) Editing of volume of data
Yu et al. Fault diagnosis-based SDG transfer for zero-sample fault symptom.
Ciobanu et al. Data-driven Bayesian networks for reliability of supply from renewable sources
Campos-Rodríguez et al. Observability analysis of free-choice petri net models
Moreira et al. A study of a machine condition monitoring system using petri nets

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20211018

Address after: Munich, Germany

Applicant after: Siemens Energy International

Address before: Munich, Germany

Applicant before: SIEMENS AG

GR01 Patent grant
GR01 Patent grant